[发明专利]基于点云模型的低质汉字初始骨架提取算法

权利要求书

1.基于点云模型的低质汉字初始骨架提取算法，其特征在于：

(1) 建立适用于低质汉字骨架的模型---点云模型；

(2) 在点云模型的基础上，采用增量广义                                                均值聚类方法获取初始骨架。

2.如权利要求1所述的初始骨架提取算法，其特征在于建立点云模型：

低质汉字可以看作是二维平面点阵图像，表示为：

                                           ()

表示低质汉字像素点，这里用黑点表示，为像素点的个数。

3. 如权利要求1所述的低质汉字骨架提取算法，其特征在于提出了增量广义均值聚类方法获取初始骨架的步骤如下：

(1) 初始化：读入低质汉字的数据点集，将看作一个Voronoi区域，标准化变换后计算出第一主成份线段；记初始线段为，对应的Voronoi区域为，作为线段数目迭代的初值，表示Voronoi区域内数据点数目的阀值为3；

(2) 添加新区域：首先选择新的关键点，关键点满足公式（2），然后根据（3）公式确定新的Voronoi区域：

   (2)

其中：   ，

         

表示点到关键点的距离的平方，表示到已获得的主成分线段的距离，表示目标函数的最小值；

通过新的关键点确定新的Voronoi区域，新选取的关键点的Voronoi区域为：

      (3)

表示点到关键点距离的绝对值，这里称为点间距离， 表示该点到已获得的主成分线段距离的最小值，这里称为点线距离；

(3) 添加新线段：判断新Voronoi区域内的数据点的个数是否大于给定阀值，若不是，则程序结束；否则，按照步骤（1）求取新Voronoi区域中的第一主成份线段，并重新计算原有Voronoi区域的第一主成份线段，；

(4) 调整：设原有区域为；，调整后区域为，其中

              (4)

上式中表示点到第一主成份线段的距离，等式右边表示点到所有Voronoi区域里第一主成份线段距离的最小值；调整所有Voronoi区域，依次比较与每一个区域是否相同，如果不同则重新计算不同区域的第一主成份线段，完毕后更新，继续第（2）步；如果相同，则结束调整步骤，继续第（2）步；

(5) 重复（2）至（4）步，直到Voronoi区域内的数据点的个数小于等于，输出初始骨架。